956-2021-1-sm
DESCRIPTION
u mtyugTRANSCRIPT
-
Statistika,Vol.1,No.2,November2013
PEMODELAN FUNGSI TRANSFER UNTUK MERAMALKAN CURAH HUJAN
DI KOTA SEMARANG
1Andayani Nurfaizah, 2Rochdi Wasono, 3Siti Hajar Rahmawati 1,2,3Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Muhammadiyah
Semarang
Alamat e-mail : [email protected]
ABSTRAK Informasi tentang curah hujan merupakan perihal penting yang berpengaruh terhadap berbagai macam aktifitas misalnya dalam bidang pertanian. Curah hujan (yt) dan kondisi udara yang mempengaruhi seperti suhu udara (x1) dan kelembapan udara (x2) memiliki pola yang teratur yang disebabkan oleh fenomena iklim yang membentuk suatu deret berkala. Kota semarang memiliki luas wilayah 373,70 Km2, dari luas wilayah yang ada 10,59% merupakan tanah sawah. Dari luas tanah sawah, 53.12% merupakan sawah tadah hujan. Metode peramalan curah hujan di Kota Semarang yang digunakan dalam penelitian ini adalah pemodelan fungsi transfer. Model fungsi transfer yang terbentuk untuk meramalkan curah hujan, menunjukan bahwa kondisi udara yang signifikan berpengaruh dalam peramalan curah hujan adalah kelembapan udara. Model fungsi transfernya sebagai berikut:
yt = .. .
. +
..
dari model yang diperoleh dapat diketahui bahwa curah hujan dipengaruhi tingkat curah hujan selama 12 bulan sebelumnya dan dipengaruhi langsung oleh kelembapan udara sampai dengan 18 bulan sebelumnya serta nilai sisan pada bulan yang sama dan nilai residual pada bulan tersebut. Peramalan curah hujan dengan menggunakan data curah hujan, kelembaban udara dari tahun 2003 -2012 dengan menggunakan metode fungsi transfer single input menghasikan ramalan curah hujan untuk 12 bulan kedepan yaitu bulan Januari sampai dengan Desember 2013, curah huajn yang terjadi sebesar 7 mm 352 mm Kata Kunci : Curah Hujan, Peramalan, Fungsi Transfer. PENDAHULUAN
Peramalan merupakan tehnik untuk
memperkirakaan keadaan di masa depan, peramalan juga merupakan bagian integral dari kegiatan pengambilan keputusan [3]. Model fungsi transfer merupakan salah satu model peramalan kuantitatif yang dapat digunakan untuk peramalan data deret berkala yang multivariate [4]. Fungsi Transfer adalah menggabungkan karakter dari model-
model ARIMA yang univariat dan beberapa karakter analisis regresi berganda. Fungsi Transfer menggabungkan pendekatan deret berkala dengan pendekatan sebab akibat. Informasi tentang curah hujan merupakan perihal penting yang berpengaruh terhadap berbagai macam aktifitas misalnya dalam bidang pertanian. Curah hujan (yt) dan kondisi udara yang mempengaruhi seperti suhu udara (x1) dan kelembapan udara (x2) memiliki pola
15
-
Statistika,Vol.1,No.2,November2013 yang teratur yang disebabkan oleh fenomena iklim yang membentuk suatu deret berkala. Penelitian yang pernah dilakukan dengan fungsi transfer antara lain tentang peramalan curah hujan dengan prediktor kelembaban udara dengan membandingkan model ARIMA dan fungsi transfer [1], peramalan curah hujan dengan prediktor suhu udara dan kelembaban udara dengan metode regresi linier berganda [5], sedangkan penulis mengunakan model fungsi transfer untuk meramalkan curah hujan dengan variable input kelembaban udara dan suhu udara.
Deret waktu adalah serangkaian pengamatan yang diambil berdasarkan urutan waktu dan antara pengamatan yang berdekatan dan saling berkorelasi, sehingga dikatakan bahwa pada deret waktu, tiap pengamatan yang di ambil dari variabel berkorelasi dengan variabel itu sendiri pada waktu sebelumnya [6]. Suatu pengamatan Z1, Z2 Zn sebagai suatu proses stokastik, maka variabel random Z t1, Z t2 Z tn dikatakan stasioner apabila: F(Z t1, Z t2 Z tm) = F (Z t1+k, Z t2+k Z tm+k ) (1) Dikatakan strictly stationary apabila persamaan (2.1) terpenuhi untuk m= 1,2,, n. Deret waktu yang bersifat strictly stationary, waktu pengamatan tidak terpengaruh terhadap mean ,varians 2 dan kovarians k [6].
Model fungsi transfer merupakan salah satu cara untuk menyelesaikan masalah bila terdapat lebih dari satu data time series. Dalam statistika keadaan ini sering disebut data multivariate time series [2]. 1. Single input
Bentuk umum model fungsi transfer single input (Xt) dan single output (Yt) adalah :
ttt NXBvY += )( (2) 2
dimana : Yt = representasi dari deret output Xt = representasi dari deret input
Nt = pengaruh kombinasi dari seluruh faktor yang mempengaruhi Yt (disebut gangguan)
v(B) = (v0B + v1B + v2B2 + ... + vkBk), dimana k adalah orde fungsi transfer.
2. Multi input Pada fungsi transfer multi input
terdapat beberapa variabel input X yang dimasukkan pada suatu pemodelan. Sehingga bentuk model fungsi transfer multi input adalah :
( )[ ] ( ) ( )[ ] ( ) taBBbjj,txBjmj Bty j 11
1+
== (3)
dimana : yt = variabel dependen xjt = variabel independen ke-j
j(B)=operator moving average order sj untuk variabel ke-j
j(B)=operator autoregresi order rj untuk variabel ke-j
(B)= operator moving average order q
(B) = operator autoregresi order p at = nilai gangguan acak
Dalam fungsi transfer multi input dimana terdapat beberapa variabel input yang masuk dalam sistem ditambah dengan noise yang ada akan dihasilkan deret output [6].
METODE PENELITIAN
Pembentukan model peramalan curah hujan digunakan pemodelan fungsi transfer dengan langkah langkah sebagai berikut :
Tahap 1 : Identifikasi bentuk model 1 Membuat plot time series data
keseluruhan untuk melihat pola yang terbentuk dari data bulanan.
Mempersiapkan deret input dan output untuk mendapatkan deret yang stasioner.
3 Menentukan model ARIMA untuk deret input (xt) serta melakukan prewhitening pada deret input untuk
16
-
Statistika,Vol.1,No.22,Novemberr2013
4
5
6
7
8
9
Tahapara
SediidepenametoTahatran
PemengyangPengsebag1.
2.
ApabtelahmeruTahatran
Sesesuadigunderet
mendapat (t). Melakukanoutput sesuprewhiteninderet input MenghitungFunction) dderet input dilakukan pMenaksir respon impMenetapkanfungsi menghubunderet outpuMelakukannoise (tAutocorrelaAutocorrelaMenetapkanARIMA ap 2 : Pameter modetelah bentuentifikasi, aksiran paode maximuap 3 : Uji sfer engujian getahui apa
g terbentuk gujian ini gai berikut:Menghitungnilai residuMenghitungcorrelation
bila autocorh nol makaupakan modap 4 : Pesfer untuk etelah modai diperolehnakaan untut output yt.
deret yang
n prewhiteniuai denganng yang duntuk mendg CCF (Crdan Autocor dan deret
prewhiteninsecara lanuls n r, s, b
transferngkan dereut. n penaksiran
t) dan ation seation n ( pn, qn )
Penaksiran del fungsi tuk model f
selanjutnyarameter m likelihoodiagnostik
ini dilakakah model
telah sesuadilakukan
g Autocore
ual (at) modeg CCF ) antara t d
rellation una model ydel yang sesengunaan peramalan
del fungsi h maka selauk merama
g waite no
ing pada dn transform
dilakukan pdapatkan (ross-correlatrrelation unoutput sete
ng. ngsung bo
untuk mor yaet input d
n awal depenghitung
erta par
) untuk mo
parameteransfer fungsi tranya dilaku
menggunad estimation
k model fun
kukan unfungsi tranai atau tid
dengan c
ellation unel
( Crodan at.
ntuk t danyang diperouai. model fun
n transfer y
anjutnya daalkan nilai d
oise
eret masi pada t). tion ntuk elah
obot
17
odel ang dan
eret gan
rsial
odel
er
sfer ukan akan n. ngsi
ntuk sfer dak. cara
ntuk
oss-
n at oleh
ngsi
yang apat dari
HA
dahoutdi yankelSem
T
Cur
SuhKU
meberada
PemHu
bahsehpad
Ta
Va
Cura( m
Suhu(
Kelemudar
ASIL PENE Pada bagiahulu mentput yang beKota Semang digunaklembaban hmarang.
Tabel 2 Korela
Variabel
rah hujan ( Y
hu Udara ( X1Kelembapan Udara ( X2 )
Hasil kore
enunjukkan rkorelasi tialah variabe
modelan
ujan denganPada gamhwa data behingga perlda lag 12
Gambar 1
abel 1 Deskrip
ariabel M
ah hujan mm )
19
u udara 0C )
2
mbapan ra ( % )
7
ELITIAN
an ini akan genai diserupa curaharang. Untukan adalah hujan per
asi antara verivariabel outp
X1 ) 0.289
) 1 0.400
elasi antar bahwa
inggi dengel kelembap
Fungsi Trn Deret Inp
mbar dibawelum stasionlu dilakuka
1 Plot Box-Co
psi variabel o
Mean Std. D
94.14 162.7
27.71 0.73
76.18 6.95
dibahas terkripsi var
h hujan per buk variabel
suhu udarabulan di
iabel input denput
X
0.6
0.4
variabel dvariabel
an curah hpan udara.
ransfer Cput Suhu U
wah ini tener dalam man didiffere
ox suhu udara
output dan in
Dev Min
798 0
39 25
50 61
rlebih riabel bulan input
a dan Kota
ngan
X2 625
400 1
diatas yang
hujan
Curah Udara erlihat means ncing
nput
Max
806
30
91
-
Statistika,Vol.1,No.22,Novemberr2013
Plo
G
Modsebag (1 0.B14)(
Tab
A([1,1
Plot ACF
ot ACF dan PA
Gambar 2 Pl
Gambar 3 Plo
del ARIMAgai berikut.
29048 B1 +(1-B14)Zt=
Gambar 4 P
Gambar 5 Pl
el 3 Estimate
ARIMA 2,14],12,0)
dan PACF da
ACF data suhu12
lot time series
ot ACF dan PA
A ([1,12,14
+ - 0.24465 1t.
Plot Box-cox C
lot time series
Parameter MoUdaraParame
1 = 0.212 = -0.214= -0.2
ata suhu udara
u udara differe
s suhu udara
ACF suhu uda
4],12,0) ada
B12 + -0.230
Curah hujan
curah hujan
odel ARIMA
eter p-v2904 0.002446 0.002308 0.0
18
a
encing
Gam
ara
alah
088
samdatini modasderout([1
darPenmodapestmeARdite
PeHuKe
G
Suhu
value 006 083 136
Model derema dengan mta didifferen
berguna odel fungssarnya deretret output. tput curah,12,14], 12,Nilai bobori CCF yaitundugaan model fungsi pat dilakukimasi param
elebihi dariRIMA deerapkan.
mbar 8 Plot AC
modelan ujan deelembaban
Gambar 6 Pl
Gambar 7 Plo
Ta
b,r,sb = 1, r =0, s = 8,1
et output dmodel padancing pada untuk me
si transfert input akanOleh kare
h hujan a,0). ot respon imu b = 1. r = model dere
transfer cukan karenameter dari bi =0.05, eret noise
CF dan PACFudara
Fungsi Trengan DUdara
lot Box-cox ke
ot time series k
abel 4 EstimasParam
= 15
1 = 1.08 = -0.215 = 0.6
dipaksakan ua deret inputlag 12 juganjaga inte
r karena n dipetakanena model adalah AR
mpuls didap0 dan s =
et noise uurah hujan a pada Tabb,r,s yang tesehingga me tidak
F data kelemba
ransfer CDeret I
elembaban ud
kelembaban u
si Parametermeter p-v07697 0.225474 0.668359 0.4
untuk t, jadi a. Hal gritas pada
n pada deret
RIMA
patkan 8,15.
untuk tidak
bel 4 erlihat model
bisa
Curah Input
aban
dara
udara
value 2564 6959 4434
-
Statistika,Vol.1,No.22,Novemberr2013
Gam
Ta
(
Modsebag(1 -B12)Z
Msamadata karenadalaboboyaitu
Mudarasebag(1-1n1t = Tabe
Parame
8= -0.265412 = -0.30870 = 0.764713 = -0.350218 = -0.48321 = -0.4049 Modsebag
bar 9 Plot ACudara d
abel 5 EstimasKel
ARIMA [1,12],12,0)
del ARIMAgai berikut. - 0.52602 Zt=1t
Model deret a dengan mo
didifferencna model dah ARIMAot respon imu b = 0. r = 1
Model dereta ([8,12],0,gai berikut.
1B8 - 1B12) n(1-1B8 - 1
el 6 Estimasi Pdengan
eter Std.Eror
49 0.10858
72 0.10631
77 0.11641
26 0.11506
26 0.10540
92 0.12552
del fungsi gai berikut
CF dan PACF differencing la
si Parameter Membaban Uda
Parame) 1 = 0.5212 = 0.39
A ([1,12]
B1 + 0.3
output dipodel pada dcing pada deret outpu
A ([1,12,14]mpuls didapa1 dan s = 1t noise dar,0) tersebut
n1t = 1t 1B12) 1t Parameter MoKelembapan Ur t-
value p-va
8 -2.45 0.
1 -2.90 0.
1 6.57
-
Statistika,Vol.1,No.2,November2013 dengan selang kepercayaan 95%. Pada Tabel 10 merupakan hasil pangkat dari peramalan deret output (yt), karena hasil peramalan pada Tabel 9 merupakan transformasi akar dari deret output (yt). Pada hasil peramalan yang telah dipangkatkan menujukan puncak curah hujan terjadi pada bulan Februari 2013 yaitu mencapai 325 mm, sedangkan bulan September 2013 merupak bulan yang curah hujannya paling rendah yaitu 7 mm, dan dari hasil ramalan menunjukan bahwa sepanjang tahun 2013 semua bulan mengalami hujan sedangkan bulan yang memiliki curah hujan rendah hanya tiga bulan saja yaitu bulan Juli, Agustus dan September.
Tabel 9 Nilai Peramalan Curah Hujan yang ditransformasi akar pada bulan Januari 2013
hingga Desember 2013 Bulan (2013)
Ramalan
SE Selang kepercayaan 95%
Batas bawah
Batas atas
Jan 16.8316 5.8511 5.3636 28.2996 Feb 18.7584 5.8649 7.2634 30.2534 Mar 16.2354 5.9133 4.6455 27.8254 April 13.8970 5.9160 2.3018 25.4921 Mei 10.4189 5.9188 -1.1817 22.0196 Juni 11.4241 5.9191 -0.1771 23.0253 Juli 8.3590 5.9193 -3.2426 19.9606 Agst 5.1229 5.9193 -6.4787 16.7245 Sep 2.7362 6.0560 -9.1334 14.6059 Okt 12.3677 6.0560 0.4981 24.2374 Nov 11.1740 6.0560 -0.6956 23.0436 Des 15.6551 6.0560 3.7855 27.5247
Tabel 10 Hasil Peramalan curah hujan (mm)
setelah dipangkatkan Bulan Peramalan Januari 283
Februari 352 Maret 264 April 193 Mei 109 Juni 130 Juli 70
Agustus 26 September 7
Oktober 153 November 125 Desember 245
KESIMPULAN Berdasarkan hasil analisis dan
pembahasan yang telah dilakukan maka dapat ditarik kesimpulan sebagai berikut
1. Prosedur penentuan model fungsi
transfer memperlihatkan bahwa variabel input (x1) yaitu suhu udara hanya bisa dimodelkan dengan ARIMA saja karena korelasi suhu udara terhadap curah hujan sangat lemah hanya 0.285, hasil dari estimasi parameter cross-corellation dari bobot respon impuls yang dihasilkan tidak signifikan terhadap = 0.05. pada variabel input (x2) yaitu kelembaban udara semua prosedur penentuan fungsi transfer dapat dilakukan karena korelasi antara curah hujan dengan kelembaban udara kuat yaitu 0.625, sehingga model fungsi transfer yang didapatkan adalah model fungsi transfer single input.
2. Kelembaban udara signifikan mempengaruhi curah hujan pada = 0.05, dengan model fungsi transfer single input yang terbentuk adalah sebagai berikut.
yt = .. .
.
+
..
3. Dengan menggunakan model fungsi transfer single input yang terbentuk, dapat diramalkan bahwa untuk 12 bulan kedepan yaitu bulan Januari 2013 sampai dengan Desember 2013 curah huajn yang terjadi sebesar 7 mm 352 mm. Pergeseran musim hujan juga terlihat bahwa dalam satu tahun hanya tiga bulan yang memiliki curah hujan rendah dan tidak ada bulan yang curah hujan nya sampai 0 mm
20
-
Statistika,Vol.1,No.2,November2013
21
DAFTAR PUSTAKA [1] Aprialis. 2011. Skripsi :
Perbandingan Model Fungsi Transfer dan ARIMA Studi Kasus Model antara Curah Hujan dengan Kelembaban Udara. UIN Syarif Hidayatullah Jakarta.
[2] Ardiani. 2005. Skripsi : Pemodelan Fungsi Transfer Untuk Meramalkan Nilai Ekspor Tembaga. ITS Surabaya.
[3] Aswi dan Sukarna. 2006. Analisis Deret Waktu. Makassar :Andira Publisher.
[4] Siswanti. 2011. Skripsi : Model Fungsi Transfer Multivariat dan Aplikasinya untuk Meramalkan Curah Hujan di Kota Yogyakarta. Universitas Negri Yogyakarta.
[5] Swarinoto, Y.S dan Sugiyono. 2011. Pemanfaatan Suhu dan Kelembaban Udara dalam Persamaan Regresi untuk Simulasi Prediksi Total Hujan Bulanan di Bandar Lampung. Jurnal Meteorologi dan Geofisika. Volume 12 No.3 hal 271-281
[6] Wei, W.W.S. 2006. Time Series Analysis Univariate and Multivariate Methods, Addison-Wesley Company Inc., New York.
adi 1.pdfalan 2Andayani 3Tahap 1 : Identifikasi bentuk model
gangga 5M Yamin 6shofi 7Diagnosis Kanker Payudara dengan MARSEvaluasi Performansi Diagnosis Kanker Payudara dengan SSVM dan MARS
Diana Permai 4tiani 8